基于Markov毯分解的抽样近似推理算法

现有的贝叶斯推理算法不同程度地存在推理精度低或推理时间长的问题.文中提出一种基于Markov毯分解的抽样近似推理算法(LSIA-MB).LSIA-MB算法利用HITON_MB算法寻找查询结点的Markov毯,进而利用动态规划方法学习边的后验概率,确定变量之间的因果关系,获得一个关于查询结点的Markov局部网络模型.最后,在Markov局部模型上执行Gibbs Sampling.通过对Markov局部模型的抽样,极大降低推理的计算维数.同时,由于Markov局部网络模型包含与目标结点相关的完整信息,从而保证局部抽样推理的精度.算法分析和在标准Alarm网的实验结果均表明,LSIA-MB算法降低推理时间,且提高推理精度.LSIA-MB算法在上海股票交易网络上的推理预测结果显示出较强的实用性.

基于结构分析的局部Gibbs抽样自动推理算法

提出一种基于结构分析的局部Gibbs抽样的贝叶斯网络推理算法(S-LGSI).S-LGSI算法基于联合树算法的概率图模型分析思想,对贝叶斯网络进行精确分解,然后根据查询结点和证据结点生成具有强相关性的局部网络模型,进而对局部网络模型进行Gibbs抽样推理.与当前基于抽样的其它近似推理算法相比,该算法降低推理的计算维数.同时,由于局部抽样模型包含了与查询结点相关的重要信息,因此该算法保证局部抽样推理的精度.算法分析和在Alarm网的实验结果表明,S-LGSI算法较显著降低时间复杂度,同时也提高推理精度.S-LGSI算法应用于上海证券交易所股票网络的推理结果与实际情况基本一致,表现出较强的实用性.

贝叶斯网络参数学习中的噪声平滑

对于存在噪声的贝叶斯网络参数学习,目前主要通过调整贝叶斯网络的结构来增强其抗噪声能力,但调整后的结构往往会降低网络的可靠性,不易实现持续学习,而且不能从源头上排除或减少噪声对参数的影响。将贝叶斯网络与Gibbs抽样相结合,以变量作为基本单位,使用马尔科夫毯提供的信息平滑一个变量对应的数据,可有效地避免上述问题。